推荐系统相关论文阅读笔记

Deep Pairwise Hashing for Cold-start Recommendation 论文阅读笔记

在线推荐的挑战：推荐效率和数据稀疏性问题。

本文：
数据稀疏性问题：统一用户-项目交互和项目内容信息，有效学习用户和项目的特征表示。
效率问题：提出Deep Pairwise Hashing (DPH)，将用户和项目映射到汉明空间的二进制向量。

具体：首先通过Denoising Auto-encoder从项目内容中预训练项目的特征，然后添加一个带有离散约束的成对损失对整个框架进行微调。此外，DPH的目标是最小化成对排名损失，这与推荐的最终目标一致。最后，采用交替优化方法对所提出的离散约束模型进行优化。

基于CF的推荐（根据用户的历史交互数据）会面临冷启动和数据稀疏性问题，因此结合了内容信息。但是在线推荐场景中，用户和项目都是大规模的，会花费大量的时间。为了提高在线推荐的效率，一些研究提出了基于哈希的推荐框架【将用户和项目编码成汉明空间中的二进制向量】

1. 哈希编码将用户的喜好形式化到汉明空间中，相似性以汉明距离作为度量。
2. 从内容数据中学习项目特征表示（使用DAE [输出是输入的另一种表示，随机将输入的一些值置为0] , 可以处理噪声）
3. 结合基于点对排序的哈希目标以及内容感知作为Deep Pairwise Hashing（可被设计成前k推荐的点对框架，用户u项目i，j分别哈希编码为bu和di，dj，预测的点对喜好Puij = Pui – Puj 。 如果这个值大于0，说明用户u更喜好项目i，否则相反。采用AUC作为度量标准）的目标，提高推荐的准确性和效率。